API src

Found 1880 results.

Similar terms

s/maschinelles-lernen/Maschinelles Lernen/gi

Stündliche Stationsmessungen der Lufttemperatur und Luftfeuchte für Deutschland

Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert. Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/. Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/. In dem Ordner ./timeseries_overview/ stehen Angaben zu langen Zeitreihen zur Verfügung.

Adaptive Umgebungsabhängige Lokalisierung von autonomen Fahrzeugen durch Methoden der künstlichen Intelligenz, Teilvorhaben D_Robert Bosch GmbH

10-minütige Stationsmessungen der relativen Feuchte in 2 m Höhe in % für Deutschland

Diese Daten stammen von den Stationen des DWD und qualitativ sowie rechtlich gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download über das CDC-Portal mitgeliefert. Die Messungen sind einem Zeitstempel in UTC zugeordnet, welcher das Ende des 10-min Intervalls markiert. Die Werte sind Mittelwerte über die Minute, welche zum Zeitstempel endet.

Tree Species - Sentinel-2 - Germany, 2016

The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2016 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 100,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final product was created by majority-voting on annual XGBoost Sentinel-2 tree species classifications (2016–2024) and filtering with forest structure data. If no clear majority vote was achieved, the class uncertain was assigned. The Tree Species Germany 2016 product achieves an overall F1-score of 0.95. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.92 to 0.99, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, fir, and other deciduous species range from 0.85 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.

Forschergruppe (FOR) 2936: Klimawandel und Gesundheit in Afrika südlich der Sahara, Teilprojekt: Entwicklung und Analyse von Bevölkerungskohorten in Burkina Faso und Kenia

Weltweit beeinflusst der Klimawandel eine Vielzahl von Faktoren die Erkrankungen begünstigen, insbesondere in Subsahara-Afrika. Jedoch haben sich nur wenige empirische Studien auf die Auswirkungen des Klimawandels, sowie auf Anpassungsstrategien und entsprechende Interventionen im ressourcenarmen Kotext in Subsahara-Afrika konzentriert. Ein Hauptgrund für diesen Mangel an Studien und wissenschaftlichen Ergebnissen ist, dass die Forschungsinfrastrukturen, die die Gesundheitsforschung in afrikanischen Ländern südlich der Sahara unterstützen - insbesondere innerhalb der HDSS -, es bisher nicht erlauben, viele der dringlichsten Forschungsfragen in Bezug auf Klimawandel und Gesundheit zu untersuchen. In der ersten Phase des Projektes konnten wir neue Erkenntnisse schaffen dahingehend wie ein HDSS erweitert und aufgebaut werden kann um Forschung im Bereich Klimawandel und Gesundheit ebenso selbstverständlich und produktiv durchzuführen wie es bereits für andere empirische Populationsforschung möglich ist. Unser erster methodischer Ansatz begleitet die Übersetzung unserer Machbarkeitsstudie der ersten Projektphase in einen populations-basierten Ansatz - diese Komponente ist begleitet durch einen Mixed-Methods-Ansatz. Dabei werden Erkenntnisse zu Prozessen und Erfahrungen aus verschiedenen Quellen ("technologische Tagebücher", Interviews und HDSS-Routinedaten) gesammelt, die uns helfen die besten Ansätze für klimarelevante Gesundheitsforschung zu finden. Darüber hinaus möchten wir die Performanz einer langzeitig Datensammlung evaluieren, und diese Kohorte, die mit neuen individuellen Sensoren ausgestattet sind erforschen hinsichtlich Hitzestress, den wir mit den Wearable-gemessenen Variablen messen (Herzfrequenz, Lungenfunktion, Aktivität, Schlafdauer). Wir werden weiterhin Forschungsergebnisse zu Klimawandel und Gesundheit in Informationen umsetzen, die politischen Entscheidungsträgern und der breiten Öffentlichkeit zur Verfügung stehen, indem wir Dashboards entwickeln, die die Auswirkungen des Klimawandels und der Gesundheit in gefährdeten Bevölkerungsgruppen visualisieren. Diese Dateninfrastruktur, die wir so aus bestehenden HDSS schaffen, kann nun auch überführt in graph-basierte Datenbanken „Big Data“-Analysen ermöglichen, und uns erlauben Methoden der künstlichen Intelligenz anzuwenden. HDSS-Daten können somit wichtige Erkenntnisse liefern, um die Wissenslücke zu schließen und neue Lösungen für einige der kritischsten Klima- und Gesundheitsprioritäten Afrikas zu finden. Zusätzlich zu diesen beschriebenen Studien, liefert das Projekt CP1 zentrale Beiträge zu allen anderen Projekten dieser Forschungsgruppe.

Stündliche Stationsmessungen der Feuchteparameter für Deutschland

Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert. Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/. Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/.

Entschlüsselung der zeitlichen Variabilität der Konzentration und Zusammensetzung des glazialen organischen Kohlenstoffs zur Bestimmung des Kohlenstoffexports mittels Abflussseparation und maschinellen Lernverfahren (Falljökull, Island)

Verlässliche Vorhersagen über den Export von organischem Kohlenstoff (OC) bezogen auf den Gletscherabfluss sind sehr begrenzt. Bestehende Studien kombinieren hauptsächlich den OC-Gehalt einzelner Eisproben und Massenbilanzen, um einen mittleren jährlichen OC-Export zu berechnen. Dieser Ansatz berücksichtigt keine potentiellen tages- und jahreszeitlichen Veränderungen und spiegelt daher möglicherweise die gletscherbedingten OC-Exportraten nicht genau wider. Daher ist es wichtig, zeitliche Veränderungen in der Gletscherhydrologie in hoher zeitlicher Auflösung (saisonal, ereignisbezogen, tageszeitlich) zu berücksichtigen und relevante Abflusskomponenten zu berücksichtigen. Dieses Projekt hat das Ziel, den Export von OC aus Gletschern (Konzentration, Zusammensetzung und Bioverfügbarkeit) in hoher zeitlicher Auflösung systematisch zu untersuchen und die biochemische zeitliche Variabilität mit Variationen der hydrologischen Prozesse im Gletscher zu verbinden. Nur durch ein detailliertes Verständnis der Auswirkungen der Hydrologie der Gletscher auf den OC-Export können verlässliche Vorhersagen für die zukünftige Freisetzung von OC durch den Gletscherrückzug gemacht werden. Die Untersuchungen finden am temperierten Gletscher Falljökull (Island) statt, der Teil des Öraefajökull und der Vatnajökull-Eiskappe ist und dessen Eisfront seit 1932 jährlich vermessen wird. Innovative Methoden, wie z.B. maschinelle Lernverfahren, in Kombination mit einer Abflussganglinienseparation, helfen, das zeitliche Zusammenspiel verschiedener Quellgebiete des Gletscherabflusses und dessen tages- und jahreszeitliche Variabilität zu verstehen. Die Verbindung von Prozessverständnis unter Einbeziehung der OC und Abflussdynamik wird die Modellierung des OC-Exports unter Berücksichtigung der OC-Zusammensetzung ermöglichen. Insgesamt werden 972 Eis-, Schnee- und Wasserproben genommen entnommen. Mit einer mobilen Multiparametersonde, die direkt am Gletschertor installiert wird, werden automatisch die Wassertemperatur, elektrischer Leitfähigkeit, Trübung, der Wasserstand und fluoreszierendem DOM im 1h min-Intervall gemessen. Mit modernsten Labormethoden (C/N- und TOC-Analyzer, Picarro) werden BDOC, DOC, POC, optische Eigenschaften (Fluoreszenz, Absorption), Nährstoffe (PO4, NO3, NO2, NH4) und stabile Isotope (18O, 2H) analysiert. Mit dem Einsatz multivariat statistischer Verfahren (z.B. PCA, CCA) sowie Modellen (PARAFAC, SIMMR, LOADest) werden zeitliche Muster, Prozesse und Treiber identifiziert sowie der OC-Export quantifiziert. Diese systematische Untersuchung des OC-Exports wird das aktuelle Prozesswissen über tageszeitliche und saisonale Veränderungen in der Konzentration, Zusammensetzung und Bioverfügbarkeit von glazialem OC wesentlich erweitern. Dadurch kann die (zukünftige) Dynamik des gletscherbedingten OC-Exports aufgrund von klimawandelbedingten Variationen in Gletscherschmelzprozessen zuverlässig vorgesagt werden.

Wechselwirkungen zwischen Aerosolen und niedrigen Wolken verstehen mit maschinellem Multi-Target-Lernen

Niedrige Wolken der marinen Grenzschicht kühlen das Erdsystem und spielen somit eine entscheidende Rolle für die Energiebilanz der Erde. Die physikalischen Eigenschaften dieser Wolken werden von Aerosolen beeinflusst. Veränderungen in der Zusammensetzung oder Konzentration atmosphärischer Aerosole können daher die Strahlungswirkung und somit das Kühlungspotential dieser Wolken verändern. Die Quantifizierung der Auswirkungen atmosphärischer Aerosole auf marine Grenzschichtwolken mit Beobachtungsdaten ist eine große Herausforderung, da viele Prozesse gleichzeitig wirken, statistisch schwer zu trennen sind und Wolken gegen Aerosoleinflüsse “gepuffert” sein können. Globale Klimamodelle können diese Prozesse nicht auflösen, sodass sie über Parametrisierungen festgeschrieben werden müssen, welche wiederum mit Unsicherheiten belastet sind. Durch diese Probleme in der Auswertung von Beobachtungen sowie in Modellen ist die Quantifizierung von Aerosol-Wolken-Interaktionen weiterhin eine der größten Unsicherheiten der Klimawissenschaften, was die Abschätzung der Klimasensitivität erschwert.Das beantragte Forschungsprojekt adressiert diese Herausforderungen und wird die Wirkung von Aerosolen auf marine Grenzschichtbewökung mit globalen Beobachtungsdaten quantifizieren und die Parameterisierungen dieser Prozesse in globalen Klimamodellen evaluieren. In aktuellen Studien haben statistische Modelle aus dem Bereich des maschinellen Lernens geholfen, das Aerosol-Wolken-Meteorologie-System besser zu verstehen und zu quantifizieren, da sie in der Lage sind, Effekte von Aerosolen von anderen atmosphärischen Größen zu isolieren. Das beantragte Forschungsprojekt wird sich auf maschinelle Lernmethoden stützen, welche zusätzlich in der Lage sind, alle relevanten Wolkeneigenschaften gleichzeitig vorherzusagen, und damit mögliche Puffer explizit berücksichtigen und quantifizieren können. Die statistischen Modelle werden verwendet, um Zusammenhänge und Prozesse in globalen Beobachtungsdaten und dem Output globaler Klimamodelle zu analysieren. Auf diese Weise kann eine prozessorientierte Evaluierung von Modellparameterisierungen erreicht werden, die sich deutlich von dem üblichen Vergleich klimatologisch gemittelter Wolkenmuster abhebt. So können Modellparametrisierungen beobachtungsgestützt eingegrenzt, und der Strahlungsantrieb durch Wechselwirkungen zwischen Aerosolen und marinen Grenzschichtwolken quantifiziert werden.

KI unterstützte Kommunikationstechnologien zur dynamischen Optimierung von Mobilität und Energiespeichern zur Frequenzstabilisierung und Energieversorgung, Teilvorhaben CampusGenius: Automated Integration with the 5G-Core

Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs auch unter Einsatz von privaten 5G-Netzwerken entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, einem Microgrid, entworfen. Die Kommunikation zwischen und innerhalb der DER soll mittels Mobilfunktechnologie erfolgen. Dabei soll die Energieoptimierung mittels KI-Algorithmen erfolgen und auch den Energietransport mit Fahrzeugen berücksichtigen. Die softwareseitige Integration der KI-Algorithmen und des Energiemanagementsystems in das Kommunikationssystem ist ein wesentlicher Bestandteil dieses Projektes. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet.

KI unterstützte Kommunikationstechnologien zur dynamischen Optimierung von Mobilität und Energiespeichern zur Frequenzstabilisierung und Energieversorgung, Teilvorhaben Universität Dresden: Kommunikationstechnologien

Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, Microgrid, entworfen. Im Anschluss werden Mobilitätsalgorithmen für die Nutzung von batterieelektrischen Fahrzeugen als mobile Energiespeicher entwickelt, die temporäre Selbstversorgung von Teilnetzen ermöglichen. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet und anhand des dadurch erarbeiteten Know-hows weiter verbessert. Das übergeordnete Ziel des Projektes DymoBat ist die Entwicklung von marktfähigen Lösungen für die zukünftige Stromnetzverwaltung zur Nutzung von verteilten Energieressourcen auf Basis der Anwendung von 5G-Technologien.

1 2 3 4 5 … 186 187 188